[發(fā)明專利]一種鋰電池剩余壽命預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210094514.2
• 申請(qǐng)日: 2022-01-26
• 公開(kāi)（公告）號(hào): CN114545274A
• 公開(kāi)（公告）日: 2022-05-27
• 發(fā)明（設(shè)計(jì)）人: 李祖欣;張宗杰;蔡志端;錢(qián)懿
• 申請(qǐng)（專利權(quán)）人: 湖州學(xué)院
• 主分類號(hào): G01R31/392
• 分類號(hào): G01R31/392
• 代理公司: 杭州宇信聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 33401
• 代理人: 王健

1.一種鋰電池剩余壽命預(yù)測(cè)方法，其特征在于該方法包括以下各步驟：

步驟一：離線建模，收集鋰電池離線數(shù)據(jù)，通過(guò)提取鋰電池退化特征序列，得到健康因子樣本集，使用隨機(jī)森林算法對(duì)健康因子樣本集進(jìn)行權(quán)重分析，以所占權(quán)重大小，確定所選健康因子樣本；將所選樣本按序加入訓(xùn)練數(shù)據(jù)，隨機(jī)產(chǎn)生初始化參數(shù)代入BiLSTM模型訓(xùn)練；當(dāng)訓(xùn)練結(jié)果精度不滿足要求，通過(guò)貝葉斯優(yōu)化模型：建立高斯過(guò)程回歸模型，求采集函數(shù)表達(dá)式，根據(jù)采集函數(shù)求出下一組模型參數(shù)，直到找到滿足精度要求的最優(yōu)超參數(shù)，構(gòu)建預(yù)測(cè)模型；

步驟二：在線預(yù)測(cè)，通過(guò)收集鋰電池在線數(shù)據(jù)，對(duì)應(yīng)離線階段的特征選擇，得到健康因子樣本集；然后使用離線階段建立的BiLSTM預(yù)測(cè)模型進(jìn)行鋰電池壽命預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的鋰電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟一所述的離線訓(xùn)練過(guò)程如下：

步驟11：收集鋰電池離線數(shù)據(jù)包括充放電過(guò)程的電流，電壓，溫度，進(jìn)行退化特征提取；得到等壓升充電時(shí)長(zhǎng)t_eq-vc，等時(shí)間間隔充電電壓升V_eq-tc，恒流充電時(shí)長(zhǎng)t_hc，等時(shí)間間隔充電電流降I_eq-tc，容量增量曲線ic，初始溫度T₀，平均溫度T_avg，中值溫度T_mid，最大溫度T_max，平均溫度變化率T_rate，等壓降放電時(shí)間t_eq-vd，等時(shí)間間隔放電電壓降V_eq-td，平均電壓衰減MVF，電壓樣本熵V_SampEn；各退化特征計(jì)算公式如下：

其中，T是溫度，V_n是標(biāo)稱電壓4.2V，K是采樣頻率，B^m(r)是兩個(gè)電壓序列在相似容限r(nóng)下匹配m個(gè)點(diǎn)的概率，A^m(r)是兩個(gè)電壓序列匹配m+1個(gè)點(diǎn)的概率；

步驟12：當(dāng)?shù)玫剿薪】狄蜃訕颖炯螅瑢⒔】狄蜃覺(jué)₁，X₂，X₃，...,X_q堆疊成一個(gè)矩陣得到健康因子樣本訓(xùn)練集X∈R^p×q，其中，p表示訓(xùn)練樣本數(shù)，q表示健康因子個(gè)數(shù)；

步驟13：使用隨機(jī)森林算法選取健康因子，使用抽樣放回的方法在訓(xùn)練集X中抽取，隨機(jī)采樣n個(gè)樣本，產(chǎn)生t個(gè)訓(xùn)練集；再由訓(xùn)練集產(chǎn)生對(duì)應(yīng)的決策樹(shù)，在生成的每一個(gè)結(jié)點(diǎn)，隨機(jī)不重復(fù)地選擇d個(gè)特征，利用這d個(gè)特征分別對(duì)訓(xùn)練集Y進(jìn)行劃分，用基尼系數(shù)找到最佳的劃分特征，重復(fù)上述步驟，直到得到隨機(jī)森林模型；將Gini指數(shù)用GI來(lái)表示，計(jì)算每個(gè)健康因子的Gini指數(shù)評(píng)分VIM^(Gini)，Gini指數(shù)的計(jì)算公式為：

其中，K表示有K個(gè)類別，p_dk表示節(jié)點(diǎn)d中類別k所占比例；

健康因子X(jué)_j在節(jié)點(diǎn)m的重要性為：

GI_l和GI_r分別表示分枝后兩個(gè)節(jié)點(diǎn)的Gini指數(shù)；

健康因子X(jué)_j在決策樹(shù)i中出現(xiàn)的節(jié)點(diǎn)為集合M，那么X_j在第i棵樹(shù)的重要性為：

如果隨機(jī)森林模型中共有n棵樹(shù)，那么：

把所有求得的重要性評(píng)分歸一化處理即得到了健康因子的重要性打分：

步驟14：選擇BiLSTM模型需要優(yōu)化的參數(shù)，設(shè)置m個(gè)初始超參數(shù)X_m＝[X₁,X₂,...,X_m]，代入BiLSTM模型中進(jìn)行訓(xùn)練；得到X_m在目標(biāo)函數(shù)上的結(jié)果Y_m＝[Y₁,Y₂,...,Y_m]，構(gòu)建矩陣D＝{(X₁,Y₁)...(X_m,Y_m)}；驗(yàn)證初始模型在訓(xùn)練集上是否滿足精度要求，若滿足，且迭代次數(shù)小于最大迭代次數(shù)，則模型超參數(shù)為X_m，若不滿足，則進(jìn)行貝葉斯優(yōu)化循環(huán)迭代；

貝葉斯優(yōu)化過(guò)程為：利用矩陣D，建立高斯過(guò)程回歸模型；通過(guò)采集函數(shù)g(X)，進(jìn)行下一組超參數(shù)X_m+1的計(jì)算；將新的超參數(shù)代入BiLSTM模型，進(jìn)行模型訓(xùn)練，計(jì)算目標(biāo)函數(shù)結(jié)果Y_m，判斷是否滿足精度要求。

3.根據(jù)權(quán)利要求1所述的一種鋰電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟二所述的在線檢測(cè)過(guò)程如下：

步驟21：使用步驟一離線訓(xùn)練階段的步驟13中隨機(jī)森林模型計(jì)算得到的重要性大于0.3的健康因子，在線采集相應(yīng)的健康因子數(shù)據(jù)；

步驟22：使用步驟一離線訓(xùn)練階段的步驟14中使用貝葉斯優(yōu)化的BiLSTM模型參數(shù)，建立在線預(yù)測(cè)模型；

步驟23：將在線采集到的相應(yīng)的健康因子數(shù)據(jù)輸入，通過(guò)遺忘門(mén)和輸入輸出門(mén)更新細(xì)胞狀態(tài)，獲取之前時(shí)刻與后續(xù)時(shí)刻之間的時(shí)序關(guān)系，最后再通過(guò)全連接層得到最終的鋰電池剩余壽命預(yù)測(cè)結(jié)果：若預(yù)測(cè)的電池容量低于80％，則判定電池壽命結(jié)束。